asistente de conducciÓn nocturna en sistema …

Pistas Educativas, No. 134, noviembre 2019, México, Tecnológico Nacional de México en Celaya
Pistas Educativas Vol. 41 - ISSN: 2448-847X Reserva de derechos al uso exclusivo No. 04-2016-120613261600-203
http://itcelaya.edu.mx/ojs/index.php/pistas ~428~
ASISTENTE DE CONDUCCIÓN NOCTURNA EN SISTEMA EMBEBIDO CPU-GPU, UTILIZANDO LA TRANSFORMADA
WAVELET DISCRETA DE HAAR
NIGHT DRIVING ASSISTANT IN A SYSTEM EMBEDDED CPU-GPU, USING THE HAAR DISCRETE WAVELET TRANSFORM
M. Fernando Maldonado Ramírez
Oscar Alvarado Nava
Eduardo Rodríguez Martínez
Andrés Ferreyra Ramírez
Recepción: 5/noviembre/2019 Aceptación: 23/noviembre/2019
Durante la noche el tráfico vehicular disminuye considerablemente, sin embargo,
un número significativo de accidentes ocurren durante este lapso de tiempo, un
factor importante a considerar es la disminución visibilidad debido a la mala
iluminación. Se presenta el diseño y desarrollo de un sistema de asistencia para
conducción nocturna en un sistema embebido. Mediante la Transformada Wavelet
Discreta de Haar, se fusionó una imagen convencional con una imagen infrarroja,
para así generar una imagen con más información visible para el conductor. Para
que estas imágenes fusionadas sean realmente un asistente de conducción, deben
ser generadas en el menor tiempo posible, por ello se realizó la paralelización del
programa y se ejecutó en un sistema paralelo embebido CPU-GPU. En este sistema
paralelo se realizaron diversos experimentos para generar imágenes fusionadas
procesamiento de hasta 69x.
sistemas embebidos.
Abstract At night, the vehicular traffic decreases considerably, however, a significant
number of accidents occurs, one problem is the decreased visibility due to poor
lighting. This paper presents the design and development of a night driving
assistance system. Through the Haar Discrete Wavelet Transform, a conventional
image was merged with an infrared image, in order to generate an image with more
information visible to the driver. For these merged images to really be a driving
assistant, they must be generated in the shortest possible time, so the program was
parallelized and executed in a parallel CPU-GPU embedded system. In this parallel
system, several experiments were carried out to generate fused images with
different resolutions, obtaining accelerations in the processing time of up to 69x.
Keywords: Image fusion, GPU, discrete Wavelet transform, embedded systems.
1. Introducción
Conducir un automóvil durante la noche o en condiciones meteorológicas
desfavorables puede ser de alto riesgo debido a la falta de iluminación tanto del
camino como de señalamientos viales. En estas condiciones, la información recibida
por el ojo humano y por cámaras de video convencionales está limitada a la
iluminación provista por los faros del vehículo y por la luz artificial disponible. Con
una mala iluminación, peatones y animales pueden ser difíciles de detectar, pero
pueden ser fácilmente detectados con una cámara infrarroja, sin embargo, una
imagen infrarroja no proporciona la información necesaria para conducir un vehículo
por la noche, ya que los señalamientos viales como las marcas de carril o los pasos
peatonales no son detectados por cámaras infrarrojas.
En la figura 1 se muestran imágenes de la misma escena tomadas con una cámara
infrarroja y con una cámara convencional respectivamente.
Figura 1 Imágenes fuente.
La fusión de imágenes convencionales e infrarrojas se presenta como una solución
para crear un asistente de conducción, ya que resalta la información de cada imagen
y las mezcla para generar una nueva imagen que ayuda tanto a distinguir
señalamientos viales como a detectar peatones o animales en la vialidad. Debido
sus características de multiresolución la Transformada Wavelet Discreta de Haar o
DHWT (Discrete Haar Wavelet Transform) se ha utilizado para la fusión de
imágenes, en [Herrington, 2005] se presenta el desarrollo en de un asistente de
conducción nocturna utilizando la DHWT. El sistema fue implementado en un
sistema de cómputo de ejecución secuencial.
La fusión de imágenes convencionales con imágenes infrarrojas utilizando la
Transformada Wavelet Discreta, se ha utilizado en otros campos y aplicaciones, por
ejemplo, en [Pal, 2017] se presenta la fusión de imágenes para el reconocimiento
facial.
La parte fundamental de la Transformada Wavelet Discreta (DWT, Discrete
Wavelet Transform) es la descomposición multiresolución de señales, lo cual resulta
muy ventajoso cuando se aplica a imágenes, ya que objetos pequeños necesitan
resoluciones altas, mientras que los objetos grandes necesitan bajas resoluciones.
A su vez, el enfoque general de la descomposición multiresolución es el crear un
componente de aproximación con una función de escalamiento (filtro pasa-bajas) y
un componente de detalle con funciones wavelets (filtro pasa-altas).
La DWT permite convertir una señal que se encuentra en el dominio del tiempo, a
una señal en el dominio de frecuencia y regresar la a su dominio original [Pal, 2017],
[ Kannan, 1997]. Con la DWT es posible localizar el momento en el que ocurre cierto
evento en el dominio del tiempo, es decir, la correlación entre una señal dada y una
señal base se puede determinar en varios instantes de tiempo [Aymaz, 1997].
Además, el espectro de la señal está dividida en partes desiguales, lo cual es muy
adecuado para el análisis de la señal, ya que un ancho de banda amplio e intervalos
de tiempo cortos son apropiados para detectar un componente de alta frecuencia,
mientras que un ancho de banda corto e intervalos de tiempo largos son adecuados
para localizar un componente de baja frecuencia [Sundararajan, 2015].
La DWT trabaja con señales discretas. Una señal discreta es una función en el
tiempo con valores que ocurren en un instante de tiempo finito, como se como se
muestra en la ecuación 1.
= 1, 2,3,..., (1)
Donde es un número entero par positivo el cual representa el tamaño o longitud
de y de1 a son los números reales de la señal discreta .
Transformada Wavelet Discreta de Haar La Transformada Wavelet Discreta de Haar (DHWT, Discrete Haar Wavelet
Transform) es la familia de Wavelet más simple y es la base para familias de
Wavelets complejas. La DHWT descompone una señal discreta en dos subseñales
de la mitad del tamaño que la señal original. La primera de estas es un promedio o
tendencia, la segunda por su parte es una diferencia o fluctuación [Walker, 2008].
La sub-señal de tendencia = 1,2,3,...,/2 de está compuesta por un
conjunto de promedios, los cuales son calculados de la siguiente manera: el primer
valor, 1 es calculado tomando el promedio del primer par de valores de , y
después multiplicando del siguiente par dicho promedio por√2. El valor 2 es el
resultado de tomar el promedio de valores de y de igual forma, multiplicando el
resultado por √2. Así, los valores de son obtenidos tomando el promedio de pares
sucesivos de valores de , y después multiplicando esos promedios por √2. La
ecuación 2 se utiliza para obtener los valores de .
= 2−1 + 2
√2 = 1,2,3 … 2 (2)⁄
En contraste, la subseñal de fluctuación de , denotada por = 1,2,3,...,/2,
está formada por una serie de restas o diferencias [Nickolls, 2010]. El primer valor
de la señal de fluctuación, 1 , es obtenido tomando el promedio de la diferencia
entre el primer par de valores de , y multiplicando ese promedio resultante por √2.
Del mismo modo es obtenido el valor 2, tomando el promedio de la diferencia entre
el segundo par de valores de , y multiplicando el resultado por √2. La ecuación 3
representa el procedimiento descrito.
= 2−1 + 2
√2 = 1,2,3, … , 2⁄ (3)
Transformada Wavelet Discreta de Haar bidimensional Una imagen es un conjunto de valores bidimensionales por lo que será necesario
aplicar la DHWT en cada dimensión [Li, 2003]. Se denota DHWT-1D como la
transformada unidimensional y DHWT-2D como la trasformada bidimensional. La
DHWT-2D puede ser aplicada a una imagen, siempre y cuando el número de filas y
columnas de la imagen sea par. Para obtener la DHWT-2D de una imagen , es
necesario realizar la DHWT-1D en cada fila de , generando así una nueva imagen
y sobre la imagen generada en el paso anterior, se aplica DHWT-1D pero ahora en
cada una de las columnas de . La DHWT-2D de una imagen puede ser
representada como se muestra en figura 2.
Figura 2 Representación de la DHWT-2D.
Donde ,, y son subimágenes con /2 filas y /2 columnas. La subimagen
es el resultado de obtener la tendencia a lo largo de las filas y columnas, dando
como resultado una versión de menor resolución que la imagen original . La
subimagen es creada calculando la tendencia a lo largo de las filas y la fluctuación
a lo largo de las columnas. Como consecuencia, en cualquier parte dentro de una
imagen en dónde haya bordes horizontales, las fluctuaciones detectarán dichos
bordes. Esta subimagen es la fluctuación horizontal porque tiende a enfatizar los
bordes horizontales de una imagen.
La subimagen es similar a la subimagen , excepto que en la subimagen la
fluctuación es calculada a lo largo de las filas y la tendencia a lo largo de las
columnas, obteniendo así una subimagen que resalta más los bordes verticales
dentro de la imagen original, por lo que es la fluctuación vertical.
Por último, la subimagen o fluctuación diagonal, la cual a diferencia de las demás
tiende a enfatizar las características diagonales de la imagen original, ya que es
creada calculando la fluctuación de las filas y columnas de la imagen fuente.
Sistema embebido CPU-GPU
Actualmente es común encontrar en estaciones de trabajo o computadoras
personales, como el sistema cómputo que se muestra en la figura 3.
Figura 3 Sistema de cómputo con un CPU multinúcleo y un GPU.
Este sistema cómputo consiste en un CPU multinúcleo interactuando a través de la
memoria principal (RAM) con una unidad de procesamiento de gráficas o GPU
(Graphics Processing Unit). Una aplicación implementada en este tipo de sistema
podría beneficiarse de la gran cantidad de unidades procesamiento disponibles y de
los diferentes tipos de memoria que ambas unidades ofrecen. Los hilos ejecutados
en los núcleos de los CPUs podrían trabajar de manera colaborativa o paralela en
una aplicación, disminuyendo su tiempo de ejecución. El nivel de paralelismo puede
aumentar si las partes más costosa en cómputo de la aplicación lo realizan los hilos
del GPU, al haber más unidades de ejecución, se pueden crear más hilos en un
GPU [Owens, 2011]. El desarrollo tecnológico ha permito que un sistema como el
mostrado en la figura 3 sea inmerso, empotrado o embebido en un chip. A este tipo
de sistemas embebidos también se les conoce como sistema en chip o SOC
(System On Chip). El desarrollo de sistemas como un SOC genera múltiples
ventajas, destacando el bajo consumo de energía, la seguridad y el gran potencial
para mejorar el rendimiento de las aplicaciones [Nickolls, 2010].
2. Métodos
Sistema embebido Tegra X1
El programa para la fusión de imágenes se desarrolló para ser ejecutado en el
sistema de cómputo CPU-GPU embebido Tegra X1 de la compañía Nvidia, el cual
está montado en una tarjeta Jetson TX1. Un esquema simplificado de este sistema
se muestra en la figura 4.
Figura 4 Sistema CPU-GPU embebido Tegra X1.
El sistema embebido Tegra X1 integra un CPU ARM de 4 núcleos con capacidad
operativa de 32 bits y 64 bits, un GPU con arquitectura Maxwell de 256 núcleos o
procesadores de flujos, un doble procesador de imágenes ISP (Image Service
Processors), sistemas de procesamiento dedicado para audio, video e imágenes
multifunción y varios sistemas de comunicación tanto alámbricos e inalámbricos.
Los elementos son conectados por un sistema de buses de tipo AMABA (Advanced
Microcontroller Bus Architecture), tanto para periféricos de baja velocidad APB
(AMBA Pefipherial Bus), como dispositivos de alta velocidad AHB (AMBA High-
speed Bus). Este sistema embebido es incluido como un módulo central de en una
tarjeta para interactuar con otros módulos de propósito específico.
El sistema Jetson TX1 es considerado un sistema en módulos, SOM (System on
Module), en este caso, los módulos o componentes son utilizados por el módulo
principal, el Tegra X1. Algunos de estos componentes son los módulos RAM de tipo
LPDDR (Low-Power DDR SDRAM), módulos eMMC (embedded MultiMediaCard),
módulos de red alámbrica Gigabit ethernet e inalámbrica Wifi, varios conectores
UART, entre otros.
Módulos para Fusión de Imágenes
En la figura 5 se presenta un esquema de los módulos que conforman el sistema
de fusión de imágenes.
Figura 5 Módulos para el desarrollo de fusión de imágenes por medio DHWT-2D.
Con el propósito de mejorar el tiempo de procesamiento de la fusión de imágenes,
se realizó un análisis para determinar qué partes de la aplicación secuencial se
podrían ejecutar en paralelo y con ello generar estrategias de ejecución paralela
entre los hilos del CPU con los hilos del GPU [Sanders, 2011]. El análisis realizado
arrojó como resultado que los siguientes módulos fueran diseñados para llevar a
cabo sus operaciones en paralelo: módulo de descomposición de la imagen, módulo
de fusión de los coeficientes de Wavelet y módulo de reconstrucción de la imagen.
El módulo de pre-procesamiento comprobará que las imágenes, tanto la
convencional como la infrarroja, cumplan con los requerimientos para ser
procesadas por los módulos siguientes. Las imágenes deben tener la misma
resolución y esta deberá ser un número par. En ambos casos las imágenes deben
estar en escalar e grises y cada píxel debe ser representado por un byte. Las
imágenes preprocesadas de esta forma serán las imágenes fuente.
Como se explicó en la Introducción, para calcular la DHWT-2D de una imagen se
debe aplicar la DHWT-1D a cada una de las filas de la imagen original y a la imagen
resultante se le aplica nuevamente la DHWT-1D pero sobre las columnas,
obteniendo así una imagen descompuesta en cuatro subbandas. Los algoritmos
implementados en el módulo de descomposición de la imagen, figura 6.
a) DHWT-1D para filas b) DHWT-1D para columnas
Figura 6 Algoritmos del módulo de descomposición.
Este módulo fue diseñado para llevar a cabo los cálculos de la DHWT-2D en
paralelo, para ello se dividió el procedimiento en dos submódulos, el primero
calculará la DHWT-1D de las filas, mientras que en el segundo calculará la DHWT-
1D de las columnas. Cada submódulo recibirá el número de bloques y el número de
hilos por bloque que se ejecutarán para llevar a cabo el cálculo en el GPU. De
acuerdo a la resolución de la imagen y a los recursos del GPU, se pueden plantear
diferentes distribuciones de bloques e hilos por bloque. En general, se pueden
plantear las siguientes ecuaciones para la distribución del trabajo por bloques
bidimensionales de hilos sobre una imagen de resolución ( × ). Para
el sub-bloque de filas, ecuación 4 y para sub-bloque de columnas, ecuación 5.
=
(5)
De esta forma, para el cálculo de la DHWT-1D de las filas de una imagen de
512 × 512 píxeles con bloques bidimensionales de 32 × 32 hilos, habrá 128
bloques, 8 bloques en y 16 bloques en , cada uno con 1024 hilos. En total se
tendrán 13,1072 hilos trabajando de manera simultánea. Con esta distribución de
procesamiento, cada hilo se encargará de calcular tanto la tendencia como la
fluctuación. Si se desea que un solo hilo calcule la tendencia y otro hilo la
fluctuación, se deberá crear el doble de hilos. Antes de hacer un cambio de este tipo
se debe considerar la arquitectura del GPU. La distribución del trabajo por bloques
bidimensionales de hilos para el cálculo de la DHWT-1D de las filas se muestra
gráficamente en la figura 7 y para el cálculo de la DHWT-1D de columnas se muestra
gráficamente en la figura 8. Una vez descompuesta la imagen fuente infrarroja y la
imagen fuente convencional, el módulo de fusión de coeficientes wavelet procederá con la selección y combinación de los coeficientes Wavelet de cada una
de las imágenes de acuerdo a las reglas del proceso de fusión.
Figura 7 Bloques bidimensionales de hilos para DWHT-1D sobre filas.
Figura 8 Bloques bidimensionales de hilos para DWHT-1D sobre columnas.
Para las regiones de bajas frecuencias se obtiene el promedio de los coeficientes
Wavelet de las imágenes fuente. Para las regiones de altas frecuencias se
comparan los coeficientes Wavelet de las imágenes fuente y se seleccionando la de
mayor valor.
Al aplicar estas reglas se obtiene como resultado una nueva imagen con regiones
de altas y bajas frecuencias que contienen coeficientes tanto de la imagen infrarroja
como de la imagen convencional. Para esta implementación se crea la distribución
de procesamiento mostrada en la ecuación 6.

(6)
La representación gráfica de los bloques e hilos se puede observar en la figura 9.
Para la fusión se ha lanzado un hilo para cada uno de los píxeles de la imagen
fuente, esto se debe a que cada hilo es el encargado de fusionar los coeficientes
wavelet de la imagen infrarroja con los de la imagen convencional, colocando el
resultado de esta fusión en el píxel correspondiente a cada hilo.
De manera similar al cálculo la DHWT-2D, se obtiene la transformada inversa,
DHWIT-2D, la cual también consta de dos módulos, el primero calcula la inversa de
la transformada en cada una de las filas, mientras que el segundo determinará
inversa de la transformada en cada una de las columnas.
Figura 9 Bloques bidimensionales de hilos para fusión de los coeficientes de Wavelet.
El módulo de reconstrucción de la imagen se encarga de llevar estas
operaciones siguiendo los algoritmos que se muestran en la figura 10.
La distribución de procesamiento de los módulos de reconstrucción, es idéntica a
de los módulos para descomposición de la imagen, así la distribución para la DHWT-
1D de las filas es igual al de la figura 7, mientras que para la DHWT-1D de las
columnas es idéntico al de la figura 8.
a) DHWT-1D para filas b) DHWT-1D para columnas
Figura 10 Algoritmos del módulo de reconstrucción.
3. Resultados
En la figura 11 se presenta la imagen obtenida al fusionar las imágenes
convencional e infrarroja de la figura 12, las cuales serán utilizadas para realizar un
análisis de los resultados.
Sistemas de ejecución
Se realizaron varios experimentos sobre dos sistemas de cómputo, los cuales
tienen componentes similares, pero estructuralmente diferentes. El primero es una
estación de trabajo (ET), como el mostrado en el esquema de la figura 3. La ET
cuenta con un CPU Intel i7 con 4 núcleos, 4 GB de DDR-RAM y una tarjeta de
procesamiento de gráficas Quadro K420 el cual contiene un GPU con 192 núcleos
con arquitectura Kepler. El segundo es la tarjeta de desarrollo Jetson TX1 la cual
tiene integrada el sistema embebido Tegra X1, mostrado en el esquema de la figura
4. En la tabla 1 se muestra una comparativa de sus principales recursos.
Tabla 1 Comparativa de recursos de los sistemas de cómputo utilizados. CPU
[núcleos] RAM
principal GPU-Arquitectura
Memoria BW
ET Intel i7 [4] 4GB Kepler [192] 1GB 29 GB/s Tegra X1 ARM [4] 16GB Maxwell [256] 4GB 16 GB/s
Tiempo de Ejecución
Los tiempos de ejecución de la implementación secuencial y paralela de ambos
sistemas se muestran en la tabla 2 y en la figura 13 su gráfica. El tiempo secuencial
fue tomado en el GPU Quadro K20 de la estación de trabajo al lanzar un solo hilo
para realizar todas las operaciones. Estos tiempos son el resultado de fusionar
imágenes de diferentes resoluciones.
Tabla 2 Comparativa del tiempo de ejecución en tres arquitecturas diferentes. Resolución Secuencial
[s] ET, Quadro K420
[s] 512x512 0.409 0.060 0.094
1021x1024 1.626 0.113 0.122 2048x2048 6.960 0.328 0.239 4096x4096 28.731 0.845 0.708 8192x8192 145.775 2.777 2.104
Figura 13 Gráfica de los tiempos de ejecución de paralela.
El tiempo de ejecución considera los tiempos de procesamiento tanto del CPU como
del GPU. El CPU se encargó del preprocesamiento de la imagen y la comunicación
con el GPU. El GPU se realizó la descomposición de la imagen, la fusión de
coeficientes Wavelet y la reconstrucción de la imagen.
Puede notarse tanto en la tabla 2 como en la figura 13, que los tiempos de ejecución
del sistema embebido Tegra X1 son mejores en alrededor de un 30% sobre la
estación de trabajo y respecto al tiempo secuencial el sistema Tegra X1 tiene una
aceleración del 69x.
4. Discusión
Para realizar análisis de los resultados obtenidos, se han resaltado con círculos
rojos numerados las características más importantes una imagen convencional y
una imagen infrarroja de la misma escena, mostradas en imágenes de figura 12.
En la figura 12a se muestra la imagen convencional con algunas zonas marcadas
con círculos rojos numerados del 1 al 4. En los círculos 1 y 2 se pueden apreciar los
señalamientos de tránsito, sin embargo, en los círculos 3 y 4 las personas que
transitan por las aceras no se alcanzan a distinguir. En la figura 12b se muestra la
imagen infrarroja con la misma escena de la imagen mostrada en la figura 12a y con
las mismas zonas marcadas con círculos. Se puede observar que en los círculos
marcados como 1 y 2 los señalamientos de tránsito no se logran percibir, sin
embargo, en los círculos 3 y 4 de la imagen infrarroja las personas que transitan son
fácilmente identificables. Identificados los principales elementos de cada una de las
imágenes fuente, en la figura 14 se muestra el resultado de la fusión imágenes.
Figura 14 Imagen fusionada.
En los círculos 1 y 2 de la figura 14 se pueden apreciar que los señalamientos de
tránsito no se pierden como sucede en la imagen infrarroja y, en los círculos 3 y 4
las personas que transitan en las aceras son fácilmente identificables.
Por otro lado, en cuanto al tiempo de ejecución para la fusión de imágenes, es
evidente que las versiones paralelas ejecutadas en los GPU fueron muy superiores
a la implementación secuencial, lo cual cumple con el objetivo de generar una
imagen fusionada en menor tiempo, cercano a la ejecución en tiempo real. Respecto
a la comparativa entre la estación de trabajo y el sistema embebido, el sistema
embebido obtuvo los mejores tiempos esto debido principalmente a la integración
en un chip mejora las comunicaciones entre los sistemas embebidos.
5. Conclusiones
A partir de una imagen convencional y una imagen infrarroja, es posible obtener
una imagen fusionada que asista la conducción nocturna, utilizando la
Transformada Wavelet Discreta de Haar. Las operaciones para la fusión pueden
ejecutarse en paralelo en un GPU para mejorar su tiempo de ejecución. Si el sistema
de ejecución paralelo se encuentra como un sistema embebido, se tienen mayores
ventajas sobre un sistema convencional, no solamente mejora el tiempo de
ejecución, sino que además se tiene un menor consumo de energía, lo cual permite
que a la aplicación pueda ser fácilmente integrada a un automóvil o ser un sistema
de visión portable.
El sistema puede mejorar tanto en visualización como tiempo en tiempo de
ejecución. Para mejorar la visualización, se pueden crear reglas de selección de
coeficientes de Wavelet más elaboradas que nos permitan apreciar los elementos
principales de las imágenes fuente con mayor claridad. Los experimentos se
realizaron con imágenes en escala de grises, lo cual limita los detalles en la imagen
final fusionada.
Al utilizar imágenes a color se aprovechar de una mejor manera las características
para generar imágenes fusionadas con mayores detalles y claridad. El tiempo de
procesamiento puede mejorar al utilizar diferentes estrategias de paralelización,
utilizando diferentes recursos que los GPUs ofrecen, como combinar accesos entre
la memoria global, la memoria compartida y la memoria de textura, a costa de
algoritmos más complejos por razones de dependencia de datos.
6. Bibliografía y Referencias [1] Aymaz S. y Köse C., Multi-focus image fusion using stationary wavelet
transform (swt) with principal component analysis (pca), en Department of
Computer Engineering, Karadeniz Technical University, Trabzon,Turqua,
ene 1997.
[2] Herrington W. F., Horn B. K. P. y Masaki I., Application of the discrete haar
wavelet transform to image fusion for nighttime driving, en IEEE Proceedings.
Intelligent Vehicles Symposium, 2005, Las Vegas, NV, USA, pp. 273–277,
2005.
[3] Kannan K. y Arumuga S., Optimal decomposition level of discrete wavelet
transform for pixel based fusion of multi-focused images, en Department of
Computer Science, St. Hindu College, Tamilnadu, India, enero 1997.
[4] Li J. P., Proceedings of the Third International Conference on Wavelet
Analysis and its Applications. Singapore: World Scientific, 2003.
[5] Sanders J. y Katndrot E., CUDA by example; an introduction to general-
purpose GPU programming. Boston, MA: Addison-Wesley, 2011.
[6] Nickolls J. y Dally W. J., The gpu computing era, in IEEE Micro, vol. 30, no.
2, pp. 56–69, March-April 2010.
[7] Owens J. D., Houston M., Luebke D. y Green S., J. Stone J. C. Phillips, Gpu
computing, Proceedings of the IEEE, vol. 96, no. 5, pp. 879–899, May 2008.
[8] Pal A. R. y Singha A., A comparative analysis of visual and thermal face
image fusion based on different wavelet family, en 2017 International
Conference on Innovations in Electronics, Signal Processing and
Communication (IESC), pp. 213–218, Shillong, 2017.
[9] Sundararajan D., Discrete Wavelet Transform:A Signal Processing Approach.
ton,WA: John Wiley Sons, Incorporated, 2015.
[10] Walker J. S., A primer on wavelets and their scientific applications. Chapman
Hall/CRC, 2008.

asistente de conducciÓn nocturna en sistema …

Documents